2023尚未过半，已几乎可以断定「人工智能」必将登上今年的各类「年度十大词汇」榜单。以 ChatGPT 为代表的生成式人工智能打破了机器语言壁垒，也终于让人类看到了几十年前提出的「通用人工智能」的希望，其背后是大模型的突破带来的 AI 的学习能力、交互能力与应用场景的多维度突破。

随着各大厂商纷纷入局，人工智能技术与应用双双迎来爆发式增长。此时，正是企业乘驭 AI 东风，加速数字化转型的大好时机。然而在如今的市场环境中，业务需求日新月异、千变万化，不同细分行业之间业务链条存在巨大差异，也就带来了不同企业级应用场景中所需要的训练模型与 AI 应用也存在着巨大差异。本文将用3个关键词，诠释企业在人工智能驱动的转型道路上如何选型？

关键词一：大模型与通用 AI

所谓大模型，拥有包含数百亿甚至更多参数的超大规模神经网络，能够用大量数据进行训练，并产生高质量的预测结果。大模型通常需要在大型 GPU 集群上进行训练，因此需要大量计算资源和数据存储资源。

基于大规模神经网络、网络级海量数据、大规模算力基础设施以及顶配核心算法，大模型驱动着人工智能摆脱了过往“时灵时不灵”的尴尬，拥有了更快、更好、更容易适应新任务的性能，在通用化的场景中掀起生产效率的变革。

然而，大模型并不总是更好。一个过于庞大的模型不仅会增加训练时间和计算成本，还可能会导致过拟合。当模型过于复杂时，它可以记忆训练数据的特征而不是学习它们的本质，从而导致在新数据上的表现不佳。此外，大模型需要更多的存储空间和内存，这对于一些计算资源受限的场景可能会造成问题。

另一个需要考虑的因素是模型的应用场景。在某些情况下，例如在低功耗设备上，模型大小是一个关键因素。大模型需要更多的计算资源和存储空间，而这些资源在低功耗设备上通常是受限的。因此，小模型更适合这些场景，因为它们可以在资源有限的情况下快速运行。

关键词二：小样本学习与边缘AI

在选择模型大小时，需要根据具体的应用场景和计算资源情况来综合考虑多个因素，并利用一些压缩和优化技术来帮助减小模型大小，提高模型性能和效率。就企业级的个性化需求场景而言，小样本学习与 Edge AI 或许是企业加速转型的另一种答题思路。

小样本学习

小样本学习（Few-Shot Learning）是指在只有很少量的训练数据的情况下进行学习的方法。与传统的机器学习算法和大模型不同，小样本学习可以在缺乏大量训练数据的情况下实现良好的分类和识别效果。这对于一些应用场景非常有意义，例如在医疗诊断中识别罕见病例、在安防监控中识别罕见事件、在自然灾害中快速识别并响应等。

此外，小样本学习的迁移学习特征，可以将已学习的知识和经验应用到新的任务中。这种能力在实际应用中非常有用，因为许多任务之间存在相似性，可以通过迁移学习的方式来提高训练效率和准确率。

边缘AI

相较于主流的中心化 AI （云端AI）而言，边缘 AI 将算法与模型运行于边缘设备，无需连接云端，可以实现实时响应、保障数据隐私、减少云端数据传输。

边缘 AI 算法和模型通常会被优化，以便在资源受限的边缘设备上高效运行。例如，它们可以采用轻量级的神经网络或者一些经过特殊优化的计算方法，以便在低功耗、低内存和低带宽的条件下实现高性能。

由于边缘AI使用模型和算法往往更加简单，也就使其预测结果更容易解释和理解，这对于需要满足法规或者规定要求的业务（例如金融或者医疗行业）非常重要。

关键词三：面向行业的智能化AI平台

对企业而言，自行搭建训练模型、开发人工智能应用面对重重困难。据 IDC 一份围绕中国工业领域 AI 应用落地痛点所做的调查显示，51.2%的企业认为缺少 AI 相关人才，48.8%的企业认为缺少高质量的数据资源，34.1%的企业担心无法保障安全及隐私问题，34.1%的企业认为 AI 应用难以与企业现有 IT 设施集成，26.8%的企业认为无力从事模型领域适配与场景迁移。

为了降低部署、开发、训练成本，面向行业的智能化 AI 平台解决方案或许是企业乘驭 AI 东风加速转型的最优解。例如，联想大脑 Edge AI 平台支持一站式构建边缘智能方案，提供包括自动生成、模型适配、仿真测试、部署实施、运维升级等全流程支持。

根据联想大脑 Edge AI 在众多企业的实际运用数据，可以发现其帮助企业降低训练与使用成本的同时，提供更加专业的转型经验，为企业带来4大收益：

好训练

实现模型快速训练的颠覆性创新，小样本终身学习技术及框架。模型训练周期最高缩短约80%，训练所需样本量下降2个数量级。

强性能

跨芯片平台全面优化的异构 AI 推理加速技术，提升推理性能最高可达10倍，单点同时处理传感器数提升2-4倍。

软硬件协同

低代码可视化优选适配的模型硬件 AI 方案生成技术，让客户节省采购总成本最高约45%，AI 方案生成时间最高节省85%。

易治理

规模化云-边-端协同的模型远程部署治理技术，节省远程部署时间最高约75%，节省远程运维时间最高约55%。

大模型的出现，解决了传统 AI 的诸多不足，也为 AI 的产业化运用带来了更多选择。面对琳琅满目的 AI 模型与应用产品，企业在选型时更应当厘清需求、擦亮眼睛，选择更适合自己的道路。